AI op de IC
AI in de Cardiologie: een update 
Inhoud:

    Auteur(s):

    Jessica Workum is intensivist en klinisch farmacoloog in het ETZ. Daarnaast is zij opgeleid aan de TU/e als biomedisch ingenieur en promoveert zij op het gebied van AI op de IC. Bij Pacmed is zij betrokken bij toekomstige productontwikkeling en implementatie van AI in het zorgproces.

    Job Dors is ANIOS op de intensive care van het ETZ, met een bijzondere interesse in de rol van kunstmatige intelligentie binnen de acute zorg.

    Correspondentie:

    J. Workum - j.workum@etz.nl
    ,
    AI op de IC

    AI in de Cardiologie: een update 

    Introductie

    Cardiale aandoeningen komen frequent voor op de Intensive Care (IC). Zo ontwikkelt één op de zes IC-patiënten atriumfibrilleren (AF) de novo, worden jaarlijks ruim 10.000 patiënten na cardiochirurgie opgenomen op de IC, en komt hartfalen bij 32% van de IC-patiënten voor.[1,2,3] Artificial intelligence (AI) kan helpen het diagnostisch proces te versnellen en beter inzicht te krijgen in de prognose. In dit artikel krijgt u een beknopte update over de recente ontwikkelingen in AI binnen de cardiologie, relevant voor de IC.

    AI en cardiale ischemie

    Bij IC-patiënten is het onderscheid tussen type 1 en type 2 cardiale ischemie vaak complex. Daarnaast uiten niet alle acute coronaire occlusies zich in ST-elevaties, waardoor deze gemist kunnen worden. Dit onderscheid heeft echter belangrijke klinische consequenties, zoals de indicatie voor antistolling of een spoed-coronairangiografie. Verschillende AI-modellen zijn nauwkeuriger in het detecteren van acute coronairocclusie op het elektrocardiogram (ECG) dan de behandeld artsen, met een area under the curve (AUC) van 0,87-0,94 versus 0,65-0,80.[4, 5] Ook kan AI-ondersteunde echografie met automatische detectie van regionale wandbewegingsstoornissen de diagnostiek versnellen en verbeteren (AUC 0,85-0,91).[6] Een AI-model ontwikkeld op basis van multipele laboratoriumwaarden voorspelt de kans op cardiale ischemie vele malen beter dan de standaard afkapwaarde voor troponine, met zowel een betere positief voorspellende waarde (PPV 61% vs. 27%) als negatief voorspellende waarde (10% vs. 16%). Hoewel het model beter presteerde voor mannen (PPV 78,5%) dan voor vrouwen (67,5%), was dit model ook voor vrouwen vele malen beter dan de huidige praktijk (PPV 41,9%).[7,8]

    AI en hartritmestoornissen

    Hartritmestoornissen zijn een belangrijke oorzaak van morbiditeit op de IC, die met behulp van AI sneller gedetecteerd kunnen worden.[9] Jo et al. ontwikkelden een AI-model dat op basis van 10- en 12-afleidingen-ECG’s ritme- en geleidingsstoornissen, zoals atriumfibrilleren, supraventriculaire tachycardieën en atrioventriculaire blokken, nauwkeurig detecteert (AUC 0,97-0,98).[10] Chang et al. toonden aan dat hun AI-model vergelijkbare aritmieën sneller en nauwkeuriger classificeert dan artsen.[11] Hannun et al. ontwikkelden een AI-model dat aritmieën detecteert op één-afleiding-ECG’s (F1-score 0,84), hetgeen beter was dan cardiologen (F1 0,78).[12] AI-modellen kunnen ook de kans op het optreden van ritmestoornissen voorspellen. Zo kan een AI-model 24-36 uur vóór het ontstaan atriumfibrilleren voorspellen met een AUC van 0,81.[13] Hierdoor zou bij hoogrisicopatiënten vroegtijdig met preventieve behandelingen kunnen worden gestart.

    AI en hartfalen

    Hartfalen is een belangrijke oorzaak van morbiditeit en mortaliteit op de IC. AI kan helpen met het verbeteren van de prognose-inschatting en diagnostiek, waardoor vroegtijdig geanticipeerd kan worden. Chen et al. en Li et al. ontwikkelden AI-modellen voor mortaliteitsvoorspelling bij IC-patiënten met hartfalen (AUC 0,77-0,84), die beter presteerden dan conventionele risicoscores.[14,15] Daarnaast kan AI bij patiënten met cardiogene shock drie onderliggende subgroepen identificeren (congestief, cardiorenaal, cardiometabool), wat gepersonaliseerde behandeling potentieel mogelijk maakt.[16] De hoeksteen van diagnostiek van hartfalen op de IC is echografie. Asch et al. ontwikkelden een AI-model dat de linkerventrikelfunctie automatisch berekende op het niveau van cardiologen.[17] Dit kan de nauwkeurigheid van echografie door minder ervaren echografisten verbeteren, en het proces versnellen.

    AI en cardiochirurgie

    Verschillende AI-modellen zijn onderzocht voor de voorspelling van complicaties en mortaliteit bij cardiochirurgische patiënten. Ryan et al. ontwikkelden een model dat acute nierinsufficiëntie met een nauwkeurigheid van bijna 90% voorspelde, gemiddeld 13 uur vóór klinische manifestatie.[18] Meyer et al. ontwierpen een model dat daarnaast ook mortaliteit en heroperaties wegens bloedingen voorspelde. Deze continue risico-inschattingen kunnen de IC-zorg optimaliseren door vroegtijdige interventies mogelijk te maken.[19]

    Conclusie

    AI-modellen tonen veel potentie in de diagnostiek en prognose-inschatting van cardiale aandoeningen op de IC. Toch ontbreekt er nog vaak onderzoek naar hoe deze modellen presteren wanneer ze daadwerkelijk in de klinische praktijk worden toegepast. Als deze resultaten zich daadwerkelijk vertalen naar de praktijk, kunnen AI-modellen een waardevolle aanvulling vormen op het management van cardiale aandoeningen op de IC.

    Referenties

    1. Glaser K, Marino L, Stubnya JD, Bilotta F. Machine learning in the prediction and detection of new-onset atrial fibrillation in ICU: a systematic review. J Anesth. 2024 Jun;38(3):301-308. doi: 10.1007/s00540-024-03316-6. Epub 2024 Apr 9. PMID: 38594589; PMCID: PMC11096200.
    2. Stichting NICE. (2023). Data in beeld [Webpagina]. Geraadpleegd op 13 september 2024, van https://www.stichting-nice.nl/datainbeeld/public?year=2023&subject=BASIC&hospital=-1&icno=0
    3. Unal AU, Kostek O, Takir M, Caklili O, Uzunlulu M, Oguz A. Prognosis of patients in a medical intensive care unit. North Clin Istanb. 2015 Dec 31;2(3):189-195. doi: 10.14744/nci.2015.79188. PMID: 28058366; PMCID: PMC5175105.
    4. Herman R, Meyers HP, Smith SW, Bertolone DT, Leone A, Bermpeis K, Viscusi MM, Belmonte M, Demolder A, Boza V, Vavrik B, Kresnakova V, Iring A, Martonak M, Bahyl J, Kisova T, Schelfaut D, Vanderheyden M, Perl L, Aslanger EK, Hatala R, Wojakowski W, Bartunek J, Barbato E. International evaluation of an artificial intelligence-powered electrocardiogram model detecting acute coronary occlusion myocardial infarction. Eur Heart J Digit Health. 2023 Nov 28;5(2):123-133. doi: 10.1093/ehjdh/ztad074. PMID: 38505483; PMCID: PMC10944682.
    5. Al-Zaiti SS, Martin-Gill C, Zègre-Hemsey JK, Bouzid Z, Faramand Z, Alrawashdeh MO, Gregg RE, Helman S, Riek NT, Kraevsky-Phillips K, Clermont G, Akcakaya M, Sereika SM, Van Dam P, Smith SW, Birnbaum Y, Saba S, Sejdic E, Callaway CW. Machine learning for ECG diagnosis and risk stratification of occlusion myocardial infarction. Nat Med. 2023 Jul;29(7):1804-1813. doi: 10.1038/s41591-023-02396-3. Epub 2023 Jun 29. PMID: 37386246; PMCID: PMC10353937.
    6. Lin X, Yang F, Chen Y, Chen X, Wang W, Chen X, Wang Q, Zhang L, Guo H, Liu B, Yu L, Pu H, Zhang P, Wu Z, Li X, Burkhoff D, He K. Echocardiography-based AI detection of regional wall motion abnormalities and quantification of cardiac function in myocardial infarction. Front Cardiovasc Med. 2022 Aug 22;9:903660. doi: 10.3389/fcvm.2022.903660. PMID: 36072864; PMCID: PMC9441592.
    7. Martin P Than, John W Pickering, Johannes Mair, Nicholas L Mills, Study Group on Biomarkers of the Association for Acute CardioVascular Care of the ESC , Clinical decision support using machine learning and cardiac troponin for the diagnosis of myocardial infarction, European Heart Journal. Acute Cardiovascular Care, Volume 13, Issue 8, August 2024, Pages 634–636, https://doi.org/10.1093/ehjacc/zuae085
    8. Doudesis D, Lee KK, Boeddinghaus J, Bularga A, Ferry AV, Tuck C, Lowry MTH, Lopez-Ayala P, Nestelberger T, Koechlin L, Bernabeu MO, Neubeck L, Anand A, Schulz K, Apple FS, Parsonage W, Greenslade JH, Cullen L, Pickering JW, Than MP, Gray A, Mueller C, Mills NL; CoDE-ACS Investigators. Machine learning for diagnosis of myocardial infarction using cardiac troponin concentrations. Nat Med. 2023 May;29(5):1201-1210. doi: 10.1038/s41591-023-02325-4. Epub 2023 May 11. PMID: 37169863; PMCID: PMC10202804.
    9. Tarditi DJ, Hollenberg SM. Cardiac arrhythmias in the intensive care unit. Semin Respir Crit Care Med. 2006 Jun;27(3):221-9. doi: 10.1055/s-2006-945525. PMID: 16791756.
    10. Jo YY, Kwon JM, Jeon KH, Cho YH, Shin JH, Lee YJ, Jung MS, Ban JH, Kim KH, Lee SY, Park J, Oh BH. Detection and classification of arrhythmia using an explainable deep learning model. J Electrocardiol. 2021 Jul-Aug;67:124-132. doi: 10.1016/j.jelectrocard.2021.06.006. Epub 2021 Jun 26. PMID: 34225095.
    11. Chang KC, Hsieh PH, Wu MY, Wang YC, Chen JY, Tsai FJ, Shih ESC, Hwang MJ, Huang TC. Usefulness of Machine Learning-Based Detection and Classification of Cardiac Arrhythmias With 12-Lead Electrocardiograms. Can J Cardiol. 2021 Jan;37(1):94-104. doi: 10.1016/j.cjca.2020.02.096. Epub 2020 Mar 5. PMID: 32585216.
    12. Hannun AY, Rajpurkar P, Haghpanahi M, Tison GH, Bourn C, Turakhia MP, Ng AY. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network. Nat Med. 2019 Jan;25(1):65-69. doi: 10.1038/s41591-018-0268-3. Epub 2019 Jan 7. Erratum in: Nat Med. 2019 Mar;25(3):530. doi: 10.1038/s41591-019-0359-9. PMID: 30617320; PMCID: PMC6784839.
    13. Verhaeghe J, De Corte T, Sauer CM, Hendriks T, Thijssens OWM, Ongenae F, Elbers P, De Waele J, Van Hoecke S. Generalizable calibrated machine learning models for real-time atrial fibrillation risk prediction in ICU patients. Int J Med Inform. 2023 Jul;175:105086. doi: 10.1016/j.ijmedinf.2023.105086. Epub 2023 Apr 26. PMID: 37148868.
    14. Chen Z, Li T, Guo S, Zeng D, Wang K. Machine learning-based in-hospital mortality risk prediction tool for intensive care unit patients with heart failure. Front Cardiovasc Med. 2023 Apr 3;10:1119699. doi: 10.3389/fcvm.2023.1119699. PMID: 37077747; PMCID: PMC10106627.
    15. Li F, Xin H, Zhang J, Fu M, Zhou J, Lian Z. Prediction model of in-hospital mortality in intensive care unit patients with heart failure: machine learning-based, retrospective analysis of the MIMIC-III database. BMJ Open. 2021 Jul 23;11(7):e044779. doi: 10.1136/bmjopen-2020-044779. PMID: 34301649; PMCID: PMC8311359.
    16. Profiling of Cardiogenic Shock: Incorporating Machine Learning Into Bedside Management

    Zweck, Elric et al. Journal of the Society for Cardiovascular Angiography & Interventions, Volume 0, Issue 0, 102047. https://www.jscai.org/article/S2772-9303(24)01251-1/fulltext

    1. Asch FM, Mor-Avi V, Rubenson D, Goldstein S, Saric M, Mikati I, Surette S, Chaudhry A, Poilvert N, Hong H, Horowitz R, Park D, Diaz-Gomez JL, Boesch B, Nikravan S, Liu RB, Philips C, Thomas JD, Martin RP, Lang RM. Deep Learning-Based Automated Echocardiographic Quantification of Left Ventricular Ejection Fraction: A Point-of-Care Solution. Circ Cardiovasc Imaging. 2021 Jun;14(6):e012293. doi: 10.1161/CIRCIMAGING.120.012293. Epub 2021 Jun 15. PMID: 34126754.
    2. Chen Z, Li T, Guo S, Zeng D, Wang K. Machine learning-based in-hospital mortality risk prediction tool for intensive care unit patients with heart failure. Front Cardiovasc Med. 2023 Apr 3;10:1119699. doi: 10.3389/fcvm.2023.1119699. PMID: 37077747; PMCID: PMC10106627.
    3. Li F, Xin H, Zhang J, Fu M, Zhou J, Lian Z. Prediction model of in-hospital mortality in intensive care unit patients with heart failure: machine learning-based, retrospective analysis of the MIMIC-III database. BMJ Open. 2021 Jul 23;11(7):e044779. doi: 10.1136/bmjopen-2020-044779. PMID: 34301649; PMCID: PMC8311359.